期望最大化贝努利高斯（BG）近似信息传递（EM-BG-AMP）算法中的BG模型因为具有对称性,在逼近实际信号先验分布时会受到限制;而期望最大化高斯混合近似信息传递（EM-GM-AMP）算法中的GM模型是BG模型的高阶形式,复杂度较高。为了解决以...期望最大化贝努利高斯（BG）近似信息传递（EM-BG-AMP）算法中的BG模型因为具有对称性,在逼近实际信号先验分布时会受到限制;而期望最大化高斯混合近似信息传递（EM-GM-AMP）算法中的GM模型是BG模型的高阶形式,复杂度较高。为了解决以上问题,提出贝努利不对称高斯模型（BAG）,进而推导得到期望最大化贝努利不对称高斯近似信息传递（EM-BAG-AMP）算法。该算法的主要思路是假设输入信号服从BAG模型,然后使用广义近似信息传递（GAMP）重构信号并在算法迭代中同时更新模型参数。实验证明,在处理不同图像数据时,EM-BAG-AMP和EM-BG-AMP相比,时间增加了1.2%,峰值信噪比（PSNR）值提升了0.1~0.5 d B,尤其在处理纹理较少以及色差变化明显的图像时峰值信噪比（PSNR）值提升了0.4~0.5 d B。EM-BAG-AMP是对EM-BG-AMP算法的扩展和延伸,更适合实际信号的处理。展开更多
文摘期望最大化贝努利高斯（BG）近似信息传递（EM-BG-AMP）算法中的BG模型因为具有对称性,在逼近实际信号先验分布时会受到限制;而期望最大化高斯混合近似信息传递（EM-GM-AMP）算法中的GM模型是BG模型的高阶形式,复杂度较高。为了解决以上问题,提出贝努利不对称高斯模型（BAG）,进而推导得到期望最大化贝努利不对称高斯近似信息传递（EM-BAG-AMP）算法。该算法的主要思路是假设输入信号服从BAG模型,然后使用广义近似信息传递（GAMP）重构信号并在算法迭代中同时更新模型参数。实验证明,在处理不同图像数据时,EM-BAG-AMP和EM-BG-AMP相比,时间增加了1.2%,峰值信噪比（PSNR）值提升了0.1~0.5 d B,尤其在处理纹理较少以及色差变化明显的图像时峰值信噪比（PSNR）值提升了0.4~0.5 d B。EM-BAG-AMP是对EM-BG-AMP算法的扩展和延伸,更适合实际信号的处理。
